图像处理方法及装置制造方法及图纸

本公开关于一种图像处理方法及装置，属于计算机技术领域。所述方法包括：获取原始图像，所述原始图像包括未染色头发；将所述原始图像输入预先训练得到的生成对抗网络中的生成网络中，所述生成网络用于对所述未染色头发进行染色处理后输出，且所述生成对抗网络的损失函数中包括用于指示头发的细节处理的梯度参数；将所述生成网络的输出结果确定为染色处理后得到的染色图像。本公开解决了不对头发细节进行处理，使得染色过程中出错，导致染色效果不佳的问题，可以提高染色效果。

【技术实现步骤摘要】
图像处理方法及装置
本公开涉及计算机
，特别涉及一种图像处理方法及装置。
技术介绍
目前，智能终端上都安装有一些美颜应用，通过美颜应用可以对原始图像进行美颜处理。比如，对人的头发进行染色。相关技术中，通过生成对抗网络对原始图像中的头发进行染色处理，得到染色图像。由于头发丝的细节较多，染色处理的过程中出错的地方较多，染色效果不佳。
技术实现思路
为解决相关技术中的问题，本公开提供了一种图像处理方法及装置。根据本公开实施例的第一方面，提供一种图像处理方法，所述方法包括：获取原始图像，所述原始图像包括未染色头发；将所述原始图像输入预先训练得到的生成对抗网络中的生成网络中，所述生成网络用于对所述未染色头发进行染色处理后输出，且所述生成对抗网络的损失函数中包括用于指示头发的细节处理的梯度参数；将所述生成网络的输出结果确定为染色处理后得到的染色图像。可选的，所述生成对抗网络的损失函数为：所述G是生成网络，所述D是判别网络，所述E[]是损失函数，所述z是第一头发图像，所述x是第二头发图像，所述G(z)是第三头发图像，所述x-Pdata(x)是所述第一头发图像的概率分布，所述z-Pz(z)是所述第三头发图像的概率分布，所述diffz是所述第一头发图像的梯度图，所述diffG(z)是所述第三头发图像的梯度图，所述α和所述β是惩罚因子，所述k是梯度，所述th是预设阈值。可选的，所述方法还包括：采集n组训练样本，每组训练样本包括第一头发图像和第二头发图像，所述第一头发图像是未染色头发的图像，所述第二头发图像是对所述未染色头发进行染色得到的染色头发的图像，且所述第一头发图像和所述第二头发图像的分辨率相同，n为正整数；对于第i组训练样本，将所述训练样本中的第一头发图像输入所述生成对抗网络中的生成网络中，将所述第二头发图像和所述生成网络输出的第三头发图像输入所述生成对抗网络中的判别网络中，根据所述判别网络的输出结果计算所述生成对抗网络的损失函数，利用所述生成对抗网络的损失函数中所述判别网络的第一损失函数更新所述判别网络，并利用所述生成对抗网络的损失函数中所述生成网络的第二损失函数更新所述生成网络，i≤n；将i更新为i+1，继续执行所述对于第i组训练样本，将所述训练样本中的第一头发图像输入所述生成对抗网络中的生成网络中的步骤，直至所述生成网络和所述对抗网络均收敛时停止。可选的，所述利用所述生成对抗网络的损失函数中所述判别网络的第一损失函数更新所述判别网络，包括：当所述输出结果用于指示所述第二头发图像和所述第三头发图像是同一图像时，保持所述判别网络的参数；当所述输出结果用于指示所述第二头发图像和所述第三头发图像不是同一图像时，通过随机梯度下降法和所述第一损失函数更新所述判别网络的参数；其中，当所述判别网络的参数不再更新时表示所述判别网络收敛。可选的，所述利用所述生成对抗网络的损失函数中所述生成网络的第二损失函数更新所述生成网络，包括：当所述输出结果用于指示所述第二头发图像和所述第三头发图像是同一图像时，保持所述生成网络的参数；当所述输出结果用于指示所述第二头发图像和所述第三头发图像不是同一图像时，通过随机梯度下降法和所述第二损失函数更新所述生成网络的参数；其中，当所述生成网络的参数不再更新时表示所述生成网络收敛。根据本公开实施例的第二方面，提供一种图像处理装置，所述装置包括：获取模块，被配置为获取原始图像，所述原始图像包括未染色头发；输入模块，被配置为将所述获取模块得到的所述原始图像输入预先训练得到的生成对抗网络中的生成网络中，所述生成网络用于对所述未染色头发进行染色处理后输出，且所述生成对抗网络的损失函数中包括用于指示头发的细节处理的梯度参数；确定模块，被配置为将所述生成网络的输出结果确定为染色处理后得到的染色图像。可选的，所述生成对抗网络的损失函数为：所述G是生成网络，所述D是判别网络，所述E[]是损失函数，所述z是第一头发图像，所述x是第二头发图像，所述G(z)是第三头发图像，所述x-Pdata(x)是所述第一头发图像的概率分布，所述z-Pz(z)是所述第三头发图像的概率分布，所述diffz是所述第一头发图像的梯度图，所述diffG(z)是所述第三头发图像的梯度图，所述α和所述β是惩罚因子，所述k是梯度，所述th是预设阈值。可选的，所述装置还包括：采集模块，被配置为采集n组训练样本，每组训练样本包括第一头发图像和第二头发图像，所述第一头发图像是未染色头发的图像，所述第二头发图像是对所述未染色头发进行染色得到的染色头发的图像，且所述第一头发图像和所述第二头发图像的分辨率相同，n为正整数；训练模块，被配置为对于第i组训练样本，将所述训练样本中的第一头发图像输入所述生成对抗网络中的生成网络中，将所述第二头发图像和所述生成网络输出的第三头发图像输入所述生成对抗网络中的判别网络中，根据所述判别网络的输出结果计算所述生成对抗网络的损失函数，利用所述生成对抗网络的损失函数中所述判别网络的第一损失函数更新所述判别网络，并利用所述生成对抗网络的损失函数中所述生成网络的第二损失函数更新所述生成网络，i≤n；更新模块，被配置为将i更新为i+1，继续执行所述对于第i组训练样本，将所述训练样本中的第一头发图像输入所述生成对抗网络中的生成网络中的步骤，直至所述生成网络和所述对抗网络均收敛时停止。可选的，所述训练模块，还被配置为：当所述输出结果用于指示所述第二头发图像和所述第三头发图像是同一图像时，保持所述判别网络的参数；当所述输出结果用于指示所述第二头发图像和所述第三头发图像不是同一图像时，通过随机梯度下降法和所述第一损失函数更新所述判别网络的参数；其中，当所述判别网络的参数不再更新时表示所述判别网络收敛。可选的，所述训练模块，还被配置为：当所述输出结果用于指示所述第二头发图像和所述第三头发图像是同一图像时，保持所述生成网络的参数；当所述输出结果用于指示所述第二头发图像和所述第三头发图像不是同一图像时，通过随机梯度下降法和所述第二损失函数更新所述生成网络的参数；其中，当所述生成网络的参数不再更新时表示所述生成网络收敛。根据本公开实施例的第三方面，提供一种图像处理装置，所述装置包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：获取原始图像，所述原始图像包括未染色头发；将所述原始图像输入预先训练得到的生成对抗网络中的生成网络中，所述生成网络用于对所述未染色头发进行染色处理后输出，且所述生成对抗网络的损失函数中包括用于指示头发的细节处理的梯度参数；将所述生成网络的输出结果确定为染色处理后得到的染色图像。根据本公开实施例的第四方面，提供一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如第一方面所述的图像处理方法。本公开的实施例提供的技术方案可以包括以下有益效果：由于生成对抗网络的损失函数中包括用于指示头发的细节处理的梯度参数，这样，可以根据该梯度参数对头发的细节进行处理，解决了不对头发细节进行处理，使得染色过程中出错，导致染色效果不佳的问题，可以提高染色效果。由于设置了惩罚系数α，这样，可以在梯度较大的本文档来自技高网...

【技术保护点】
一种图像处理方法，其特征在于，所述方法包括：获取原始图像，所述原始图像包括未染色头发；将所述原始图像输入预先训练得到的生成对抗网络中的生成网络中，所述生成网络用于对所述未染色头发进行染色处理后输出，且所述生成对抗网络的损失函数中包括用于指示头发的细节处理的梯度参数；将所述生成网络的输出结果确定为染色处理后得到的染色图像。

【技术特征摘要】
1.一种图像处理方法，其特征在于，所述方法包括：获取原始图像，所述原始图像包括未染色头发；将所述原始图像输入预先训练得到的生成对抗网络中的生成网络中，所述生成网络用于对所述未染色头发进行染色处理后输出，且所述生成对抗网络的损失函数中包括用于指示头发的细节处理的梯度参数；将所述生成网络的输出结果确定为染色处理后得到的染色图像。2.根据权利要求1所述的方法，其特征在于，所述生成对抗网络的损失函数为：所述G是生成网络，所述D是判别网络，所述E[]是损失函数，所述z是第一头发图像，所述x是第二头发图像，所述G(z)是第三头发图像，所述x-Pdata(x)是所述第一头发图像的概率分布，所述z-Pz(z)是所述第三头发图像的概率分布，所述diffz是所述第一头发图像的梯度图，所述diffG(z)是所述第三头发图像的梯度图，所述α和所述β是惩罚因子，所述k是梯度，所述th是预设阈值。3.根据权利要求2所述的方法，其特征在于，所述方法还包括：采集n组训练样本，每组训练样本包括第一头发图像和第二头发图像，所述第一头发图像是未染色头发的图像，所述第二头发图像是对所述未染色头发进行染色得到的染色头发的图像，且所述第一头发图像和所述第二头发图像的分辨率相同，n为正整数；对于第i组训练样本，将所述训练样本中的第一头发图像输入所述生成对抗网络中的生成网络中，将所述第二头发图像和所述生成网络输出的第三头发图像输入所述生成对抗网络中的判别网络中，根据所述判别网络的输出结果计算所述生成对抗网络的损失函数，利用所述生成对抗网络的损失函数中所述判别网络的第一损失函数更新所述判别网络，并利用所述生成对抗网络的损失函数中所述生成网络的第二损失函数更新所述生成网络，i≤n；将i更新为i+1，继续执行所述对于第i组训练样本，将所述训练样本中的第一头发图像输入所述生成对抗网络中的生成网络中的步骤，直至所述生成网络和所述对抗网络均收敛时停止。4.根据权利要求3所述的方法，其特征在于，所述利用所述生成对抗网络的损失函数中所述判别网络的第一损失函数更新所述判别网络，包括：当所述输出结果用于指示所述第二头发图像和所述第三头发图像是同一图像时，保持所述判别网络的参数；当所述输出结果用于指示所述第二头发图像和所述第三头发图像不是同一图像时，通过随机梯度下降法和所述第一损失函数更新所述判别网络的参数；其中，当所述判别网络的参数不再更新时表示所述判别网络收敛。5.根据权利要求3所述的方法，其特征在于，所述利用所述生成对抗网络的损失函数中所述生成网络的第二损失函数更新所述生成网络，包括：当所述输出结果用于指示所述第二头发图像和所述第三头发图像是同一图像时，保持所述生成网络的参数；当所述输出结果用于指示所述第二头发图像和所述第三头发图像不是同一图像时，通过随机梯度下降法和所述第二损失函数更新所述生成网络的参数；其中，当所述生成网络的参数不再更新时表示所述生成网络收敛。6.一种图像处理装置，其特征在于，所述装置包括：获取模块，被配置为获取原始图像，所述原始图像包括未染色头发；输入模块，被配置为将所述获取模块得到的所述原始图像输入预先训练得到的生成对抗网络中的生成网络中，所述生成网络用于对所述未染色头发进行染色处理后输出，且所述生成对抗网络的损失函数中包括用于指示头发的细节处理的梯...

【专利技术属性】
技术研发人员：张水发，
申请(专利权)人：北京小米移动软件有限公司，
类型：发明
国别省市：北京,11